JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X
D-165
Spatial Durbin Model untuk Mengidentifikasi Faktor-Faktor yang Mempengaruhi Kematian Ibu di Jawa Timur Lina Dwi Pertiwi, Mutiah Salamah, dan Sutikno Jurusan Statistika, Falkultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected];
[email protected] Abstrak— Kematian ibu menjadi prioritas utama yang harus ditanggulangi oleh pemerintah untuk mengurangi risiko kematian, menjamin reproduksi sehat, dan meningkatkan kualitas hidup ibu. Di Jawa Timur, jumlah kematian ibu mengalami peningkatan mulai tahun 2009 hingga tahun 2010. Faktor penyebab kematian ibu antar kabupaten/kota berbeda-beda. Hasil identifikasi awal pada nilai Moran’s I menunjukkan adanya pengelompokan wilayah pada pola persebaran kematian ibu dan beberapa faktor yang mempengaruhinya. Oleh karena itu, digunakan metode Spatial Durbin Model (SDM) untuk me-modelkan. Metode SDM merupakan jenis khusus dari metode Spatial Autoregressive Model (SAR). Namun, penelitian menun-jukkan bahwa model untuk metode SAR dan SDM memberikan hasil yang sama. Hal ini disebabkan oleh kecilnya nilai Moran’s I, sehingga pada hasil estimasi parameter menggunakan metode SDM menjadi tidak nyata. Variabel yang signifikan berpengaruh terhadap kematian ibu adalah persentase persalinan dibantu oleh dukun, persentase rumah tangga berperilaku hidup bersih sehat, dan persentase sarana kesehatan di tiap kabupaten/kota di Jawa Timur. Kata Kunci— Kematian Ibu, Pembobot Spasial, Spatial Durbin Model, Spatial Autoregressive Model
K
I. PENDAHULUAN
EMATIAN ibu merupakan kematian dari setiap wanita selama masa kehamilan, bersalin atau dalam 42 hari sesudah berakhirnya kehamilan oleh sebab apapun, tanpa melihat usia dan lokasi kehamilan, oleh setiap penyebab yang berhubungan dengan atau diperberat oleh kehamilan atau penanganannya tetapi bukan oleh kecelakaan atau insidental (faktor kebetulan). Hal ini sesuai dengan definisi Internasional Statistical Classification of Disease and Related Health Problems (ICD). Angka Kematian Ibu (AKI) kemudian didefinisikan sebagai jumlah kematian ibu selama satu periode waktu dalam 100.000 kelahiran hidup [1]. Millennium Declaration menempatkan kematian ibu sebagai prioritas utama yang harus ditanggulangi untuk meminimalisasi risiko kematian, menjamin reproduksi sehat, dan meningkatkan kualitas hidup ibu atau kaum perempuan [2]. AKI di Indonesia menempati urutan tertinggi di ASEAN yaitu 307 per 100.000 kelahiran hidup, artinya lebih dari 18.000 ibu tiap tahun atau dua ibu tiap jam meninggal oleh sebab yang berkaitan dengan kehamilan, persalinan, dan nifas (Survei Demografi Kesehatan Indonesia: SDKI 2002-2003). Tahun 2007, SDKI menunjukkan bahwa AKI di Indonesia menurun menjadi 228 per 100.000 kelahiran hidup. Penurunan angka tersebut relatif masih sangat rendah dan jauh dari target MDGs
(Millenium Development Goals) untuk menurunkan AKI pada tahun 2015 menjadi 102 per 100.000 kelahiran hidup [3]. Jawa Timur menduduki urutan kelima dari seluruh provinsi di Indonesia yang memiliki jumlah kematian ibu terbanyak setelah Jawa Barat, Jawa Tengah, NTT, dan Banten [4]. Badan Pusat Statistik (BPS) mencatat angka kematian ibu di Jawa Timur pada tahun 1997 sebesar 334 per 100.000 kelahiran hidup dan kemudian menurun pada tahun 2005 menjadi 262 per 100.000 [5]. Namun sebaliknya, jika pada tahun 2009 berjumlah 90 kematian per 100.000 kelahiran, kemudian pada tahun 2010 melesat mencapai 101 kematian per 100.000 kelahiran [6]. Rujukan [7] menjelaskan penelitian tentang kematian ibu yang telah dilakukan dengan menggunakan model regresi poisson. Model terbaik yang dipilih menunjukkan bahwa faktorfaktor yang berpengaruh terhadap kematian ibu di Jawa Timur pada tahun 2003 yaitu rata-rata pengeluaran biaya kesehatan perkapita, persentase penduduk miskin dan jumlah tenaga medis dan paramedis. Rujukan [8] juga menjelaskan penelitian tentang kematian ibu yang telah dilakukan dengan menggunakan pendekatan Geographically Weighted Poisson Regression (GWPR) di mana menghasilkan kesimpulan bah-wa variabel persentase sarana kesehatan berpengaruh signifi-kan di setiap kabupaten/kota, sedangkan variabel persentase ibu hamil berisiko tinggi ditangani serta variabel persentase bidan tidak berpengaruh di seluruh kabupaten/kota. Metode GWPR merupakan metode pemodelan spasial dengan menggunakan pendekatan titik, sedangkan hasil penelitian tersebut menyimpulkan adanya pengelompokan variabel-variabel prediktor yang signifikan pada lokasi yang berdekatan sehingga menunjukkan adanya persamaan perilaku antarlokasi yang berdekatan. Oleh karena itu, perlu adanya penelitian lebih lanjut untuk mendapatkan pemodelan spasial dengan pendekatan area yang menggunakan pengaruh spasial dari variabel respon dan prediktor. Penelitian ini merupakan lanjutan dari penelitian Novita dengan menggunakan metode SDM. Rujukan [9] menjelaskan penelitian sebelumnya dengan metode SDM mengenai faktor-faktor yang berpengaruh terhadap kejadian diare di Kabupaten Tuban. Hasil penelitian menyimpulkan bahwa pemodelan SDM mempunyai kinerja yang lebih baik daripada pemodelan model non SDM. Selain itu, rujukan [10] juga menjelaskan penelitian sebelumnya dengan metode SDM untuk mengidentifikasi faktor-faktor yang mempengaruhi angka kematian bayi di Jawa Timur dan hasil penelitian menunjukkan bahwa metode SDM memiliki kriteria pemodelan lebih baik daripada metode Ordinary Least Square (OLS) karena menghasilkan R-square yang besar.
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X II. II. TINJAUAN PUSTAKA Analisa regresi merupakan salah satu metode statistika yang digunakan untuk membentuk model hubungan antara variabel respon (Y) dengan satu atau lebih variabel prediktor (X). Secara umum, model regresi linier dinyatakan pada persamaan (1). (1) β0, β1, …, βp adalah parameter dan adalah error regresi ε~IIDN(0,σ2I) dengan ε~N(0,σ2), artinya i berdistribusi normal, E(i )=0, var(i )=2 untuk i=1,2,…,n. Salah satu prosedur pendugaan model untuk regresi linier berganda adalah dengan prosedur Least Square (kuadrat terkecil). Model regresi linier dapat ditulis dalam bentuk matriks [11]. A. Model Regresi Spasial Rujukan [12] menuliskan model umum General Spatial Model (GSM) seperti yang ditunjukkan pada persamaan (2). , , (2) Matrik W1 dan W2 merupakan pembobot yang menjelaskan fungsi jarak atau kedekatan antar lokasi. Diagonalnya bernilai nol atau wij = 0 untuk i = j dan wij ≠ 0 untuk i ≠ j, di mana i (i=1, 2, …, n) dan j (j=1, 2, …, n) merupakan pengamatan atau lokasi. Beberapa model dapat dibentuk dari persamaan (2), di antaranya yaitu: a) Jika W2 = 0 atau λ = 0 maka disebut dengan SAR seperti pada persamaan (3). dan (3) b) Jika W1 = 0 atau ρ = 0 maka model regresi ini disebut sebagai spatial autoregressive dalam error atau Spatial Error Model (SEM) seperti pada persamaan (4) di mana menunjukkan spasial struktur pada spatially dependent error ( ). dan (4) c) Jika W1, W2 ≠ 0, λ ≠ 0, atau ρ ≠ 0 maka model ini disebut Spatial Autoregressive Moving Average (SARMA) seperti pada persamaan (2). d) Jika ρ = 0 dan λ = 0 maka disebut sebagai model regresi linear sederhana yang estimasi parameternya dapat dilakukan melalui OLS yaitu regresi yang tidak mempunyai efek spasial seperti pada persamaan (5). dan (5) Indentifikasi awal sebelum melakukan metode spasial yaitu dengan Lagrange Multiplier Test (LM test). Ada tiga hipotesis yang akan digunakan pada LM test, yaitu H0: ρ = 0 dengan H1: ρ ≠ 0 (untuk model SAR), H0: λ = 0 dengan H1: λ ≠ 0 (untuk model SEM), dan H0: ρ, λ = 0 dengan H1: ρ, λ ≠ 0 (untuk model SARMA). Keputusan yang diambil yaitu tolak H0 jika nilai LM > X2(k) dengan statistik uji yang digunakan adalah: LM=E-1{(Ry)2T22 – 2RyReT12 + (Re)2 (D + T11)} ~ X 2 (m) (6) B. Metode SDM Metode SDM memiliki ciri khas sendiri yaitu adanya penambahan spasial lag pada variabel prediktor. Vektor parameter koefisien spasial lag variabel prediktor dinyatakan dalam β2 [13]. Model SDM ditunjukkan pada persamaan (7). (7)
D-166
C. Pengujian Hipotesis Signifikansi Estimasi Parameter Pengujian ini dilakukan dengan menggunakan Wald test di mana H0: θp = [λ, ρ, β0, ..., βp]' = 0 dengan H1: θp ≠ 0. dengan statistik uji Keputusan H0 ditolak jika Wald > sebagai berikut [13]: ˆp 2 (8) Wald var(ˆ ) p
adalah estimasi parameter ke-p dan estimasi parameter ke-p.
adalah varians
D. Uji Efek Spasial Uji efek spasial dapat dilakukan dengan 2 cara yaitu spatial dependence dan spatial heterogeneity. Uji autokorelasi antar lokasi atau uji dependensi spasial dilakukan dengan menggunakan metode Moran’s I di mana H0: IM = 0 (tidak ada autokorelasi antar lokasi) dengan H1: IM ≠ 0 (ada autokorelasi antar lokasi). Keputusan H0 ditolak jika dengan statistik uji sebagai berikut [14]. (9) Pola pengelompokan dan penyebaran antar lokasi dapat disajikan dengan Moran’s Scatterplot. Moran’s Scatterplot terdiri dari empat kuadran, yaitu kuadran I, II, III, dan IV. Kuadran I (High-High) menjelaskan daerah dengan nilai pengamatan tinggi dikelilingi oleh daerah dengan nilai pengamatan tinggi. Kuadran II (Low-High) menjelaskan daerah dengan nilai pengamatan rendah tetapi dikelilingi daerah dengan nilai pengamatan tinggi. Kuadran III (LowLow) menjelaskan daerah dengan nilai pengamatan rendah dikelilingi oleh daerah yang juga mempunyai nilai pengamatan rendah. Kuadran IV (High-Low) menjelaskan daerah dengan nilai pengamatan tinggi tetapi dikelilingi oleh daerah dengan nilai pengamatan rendah. Pengujian adanya heterogenitas spasial dapat dilakukan dengan menggunakan Breusch-Pagan Test (BP test) di mana H0: (homoskedastisitas) dan H1: minimal ada satu (heterokedastisitas). Keputusan H0 ditolak jika BP > Xk2 dengan statistik uji sebagai berikut [13]. Xk2 (10) E. Matriks Pembobot Spasial Matriks pembobot spasial yang digunakan dalam penelitian ini adalah Queen contiguity (persinggungan sisi-sudut). Matriks pembobot (wij) berukuran nxn, di mana setiap elemen matriks menggambarkan ukuran kedekatan antara pengamatan i dan j. Metode Queen contiguity mendefinisikan bahwa lokasi yang bersisian atau titik sudutnya bertemu dengan lokasi yang menjadi perhatian diberi pembobotan wij = 1, sedangkan untuk lokasi lainnya adalah wij = 0 [12]. F. Pemilihan Model Terbaik Pemilihan model terbaik dilakukan dengan melihat koefisien determinasi (R-square). R-square menunjukkan ketepatan suatu model (Goodness of fit) dengan notasi (11) di mana SSE adalah jumlah kuadrat error dan SST adalah jumlah kuadrat total. Koefisien determinasi bernilai 0 ≤ Rsquare ≤ 1. Semakin besar nilai R-square, maka model
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X semakin tepat dalam menggambarkan fenomena dari variabel respon sehingga model semakin dipercaya. G. Definisi Kematian Ibu Kematian ibu merupakan kematian setiap wanita selama masa kehamilan, bersalin atau dalam 42 hari sesudah berakhirnya kehamilan oleh sebab apapun, tanpa melihat usia dan lokasi kehamilan, oleh setiap penyebab yang berhubungan dengan atau diperberat oleh kehamilan atau penanganannya tetapi bukan oleh kecelakaan atau insidental (faktor kebetulan). Tingginya angka kematian ibu dipengaruhi oleh banyak faktor dan sangat kompleks [1]. Secara garis besar faktor determinan kematian ibu digolongkan menjadi dua faktor besar yaitu faktor medis/langsung dan faktor non-medis/tidak langsung. Berdasarkan faktor medis, kematian ibu di Indonesia kebanyakan disebabkan oleh pendarahan, hipertensi saat kehamilan, dan infeksi, sedangkan untuk faktor nonmedis, kematian ibu di Indonesia disebabkan oleh kondisi sosial budaya, ekonomi, pendidikan, kedudukan dan peran wanita, kondisi geografis, dan transportasi. Pokok permasalahan tingginya AKI di Indonesia disebabkan oleh rendahnya akses penduduk miskin pada layanan kesehatan yang berkualitas, sulitnya mendapatkan/memanfaatkan fasili-tas dan tenaga kesehatan yang berkualitas dan terjangkau bagi perempuan miskin, serta keterbatasan peraturan dan anggaran bagi kesehatan khususnya kesehatan reproduksi perempuan [15]. III. METODOLOGI PENELITIAN Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari Dinas Kesehatan Provinsi Jawa Timur mengenai jumlah kematian ibu dan faktor-faktor yang mempengaruhinya pada tahun 2010 [16]. Data yang digunakan adalah jumlah kematian ibu (Y), persentase ibu hamil yang melaksanakan program K1 (X1), persentase persalinan yang dibantu oleh dukun (X2), persentase ibu hamil yang mendapatkan Fe1 (X3), persentase ibu hamil beresiko tinggi/ komplikasi ditangani (X4), persentase rumah tangga hidup sehat (X5), persentase bidan di setiap kabupaten/kota (X6), dan persentase sarana kesehatan (X7) di setiap kabupaten/kota. Langkah-langkah analisis data dalam peneli-tian ini adalah sebagai berikut. 1. Mendeskripsikan variabel AKI dan faktor-faktor yang mempengaruhinya dari sudut kewilayahannya dengan menggunakan peta tematik. 2. Melakukan pemodelan variabel AKI dan faktor-faktor yang mempengaruhinya dengan cara sebagai berikut. a. Mengidentifikasi pola hubungan model dengan menggunakan scatterplot dan analisis korelasi. b. Melakukan uji dependensi spasial dengan menggunakan statistik uji Moran’s I pada masing-masing variabel kemudian membentuk Moran’s scatterplot untuk mengetahui penyebaran antarlokasi. c. Melakukan analisis dengan metode OLS yang meliputi estimasi parameter, pengujian hipotesis signifikansi parameter, uji asumsi residual IIDN (identik, independen, dan berdistribusi normal), uji dependensi spasial menggunakan Moran’s I, dan uji heterogenitas spasial menggunakan BP test pada residual.
D-167
d. Melakukan pemodelan SDM yang terdiri dari estimasi parameter, pengujian hipotesis signifikansi parameter dan uji asumsi residual IIDN (identik, independen, dan berdistribusi normal). IV. HASIL DAN PEMBAHASAN A. Deskripsi Jumlah Kematian Ibu dan Faktor-Faktor yang Mempengaruhinya Angka yang menunjukkan banyaknya kejadian dari masingmasing variabel dikelompokkan menjadi lima kategori yaitu kategori sangat rendah, rendah, sedang, tinggi, dan sangat tinggi. SU M EN E P
G R E S IK
TU BA N
G R E S IK PA M E KA SA N SU M EN E P BA N G KA L AN SA M P AN G SU R A BA YA (K O T A) NGA W I SID O AR J O J O M B AN G N G A N JU K M O J O KE R T O M AG ET A N M AD IU N PA SU R U A N KE DIR I SITU BO N D O PO N O R O G O BA TU ( K O T A) PR O B O L IN G G O BO N D O W O S O
SU M EN E P
BO JO N EG O R O LA M O N G A N
PA C ITA N
TU L U N G A G U N G BL IT A R
TR EN G G AL E K
LU M A JAN G M AL A N G
JEM B E R
BA N Y U W A N G I
K etera n gan: (jiw a ) 0-5 6 - 11 12 - 22 23 - 36 37 - 55
Sumber : Diolah dari data Dinkes Surabaya 2010 Gambar. 1. Persebaran Jumlah Kematian Ibu di Setiap Kabupaten/Kota di Jawa Timur.
Gambar 1. menunjukkan adanya pengelompokan pada kabupaten/kota yang berdekatan. Jumlah kematian ibu di Jawa Timur sebagian besar berada dalam kategori sedang (12-22 jiwa). Persentase ibu hamil yang melaksanakan program K1 atau persentase ibu hamil yang melaksanakan kontak pertama dengan kesehatan untuk mendapatkan layanan antenatal (X1) juga berpola mengelompok. Kabupaten Jember merupakan kabupaten/kota dengan persentase ibu hamil melaksanakan program K1 tertinggi yaitu sebesar 100%, artinya seluruh ibu hamil yang ada di Kabupaten Jember melaksanakan program K1. Kabupaten/kota yang berdekatan memiliki persentase persalinan dibantu oleh dukun (X2) yang relatif sama sehingga terjadi pengelompokan wilayah. Kabupaten Sumenep memiliki persentase persalinan dibantu oleh dukun yang paling tinggi yaitu sebesar 16.318%. Angka ini dapat diartikan bahwa dalam 100 kelahiran, sekitar 17 orang melakukan persalinan dengan bantuan dukun. Persentase persalinan dibantu oleh dukun yang paling rendah yaitu 0% terjadi di Kota Mojokerto dan Kota Madiun, artinya tidak terjadi adanya persalinan dengan bantuan dukun di kedua kota tersebut. Persentase ibu hamil mendapatkan tablet Fe1 (X3) memiliki pola yang menyebar. Kabupaten Pasuruan, Kota Kediri, dan Kota Malang memiliki persentase ibu hamil mendapatkan tablet Fe1 sebesar 100%. Persentase ibu hamil berisiko tinggi/komplikasi yang ditangani (X4) berpola mengelompok dengan persentase tertinggi terjadi di Kota Malang sebesar 99.93%, sedangkan yang terendah terjadi di Kota Batu sebesar 24.5%. Kabupaten/kota yang memiliki persentase rumah tangga berperilaku hidup bersih dan sehat (X5) berpola menge-
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X lompok pada daerah yang berdekatan. Jumlah bidan di setiap kabupaten/kota di Jawa Timur (X6) juga berpola mengelompok. Persentase bidan di Kota Probolinggo menunjukkan angka yang paling rendah yaitu sebesar 0%, sedangkan Kota Mojokerto merupakan daerah dengan persentase bidan tertinggi yaitu sebesar 0.094%. Pola persebaran persentase sarana kesehatan (X7) juga berpola mengelompok. Persentase sarana kesehatan terendah terjadi di Kota Surabaya sebesar 0.0293%, artinya terdapat sekitar 3 sarana kesehatan dalam 100 jumlah penduduk di Kota Surabaya. B. Identifikasi Pola Hubungan antara Variabel Prediktor dan Variabel Respon Pola hubungan antara jumlah kematian ibu dan faktor-faktor yang mempengaruhinya dapat ditunjukkan dengan scatterplot seperti pada Gambar 2. Variabel prediktor yang berpola hubungan positif terhadap respon yaitu persentase persalinan yang dibantu oleh dukun (X2), dan persentase rumah tangga berperilaku hidup bersih sehat (X5). X1
X2
X3
40 20 0 92
96 X4
100 0
8 X5
16 50
75 X6
100
Y
40 20
D-168
persentase ibu hamil yang mendapatkan tablet Fe1 (X3) memiliki nilai Moran’s I yang lebih kecil dari nilai IM0 = 0.0270 sehingga berpola menyebar. Tabel 1. Uji Moran’s I Kode Y
Variabel Moran’s I jumlah kematian ibu tiap -0.1322 kabupaten/kota persentase ibu hamil melaksa0.2076 X1 nakan program K1 (akses pelayanan ibu hamil) persentase persalinan dibantu 0.4547 X2 oleh dukun tiap kabupaten/kota persentase ibu hamil yang -0.1366 X3 mendapatkan tablet Fe1 persentase ibu hamil berisiko 0.0912 X4 tinggi/komplikasi yang ditangani persentase rumah tangga ber0.1380 X5 perilaku hidup bersih sehat persentase bidan di setiap 0.1146 X6 kabupaten/kota di Jawa Timur persentase sarana kesehatan 0.1355 X7 Keterangan: *) signifikan pada α = 5%, Z0.025 = 1.96
|Z_hitung| -2.2061* -0.3945 3.6790* 0.0375 -0.1096 2.1999* -0.8727 -4.2939*
Salah satu variabel prediktor yang signifikan adalah persentase persalinan dibantu oleh dukun (X2). Gambar 3. menunjukkan bahwa terjadi pengelompokan pada kuardran I (High-High) dan kuadran III (Low-Low). Kuadran I menjelaskan bahwa kabupaten/kota yang memiliki persentase persalinan dibantu oleh dukun tinggi dikelilingi oleh persentase persalinan dibantu oleh dukun yang tinggi pula.
0 30
60 X7
90
0
40
80 0.00
0.05
0.10
0
4
40
28
20
3
0 0.06
10
0.09
Gambar. 2. Pola Hubungan antara Jumlah Kematian Ibu dengan Faktor-Faktor yang Mempengaruhinya.
Semakin tinggi persentase persalinan yang dibantu oleh dukun, maka semakin tinggi pula jumlah kematian ibu di Jawa Timur. Hal yang unik adalah semakin tinggi persentase rumah tangga yang berprilaku hidup bersih dan sehat ternyata semakin tinggi pula jumlah kematian ibu. Hal ini diduga, meskipun rumah tangga tersebut memenuhi kriteria sebagai rumah tangga yang berperilaku hidup bersih dan sehat, namun belum tentu ibu hamil dalam rumah tangga tersebut tergolong dalam kriteria ibu hamil yang hidupnya sehat. Variabel prediktor yang berpola hubungan negatif terhadap respon yaitu persentase ibu hamil yang melaksanakan program K1 (X1), persentase ibu hamil yang mendapatkan Fe1 (X3), persentase ibu hamil berisiko tinggi yang ditangani (X4), persentase bidan (X6) dan persentase sarana kesehatan (X7). C. Nilai Moran’s I Tabel 1. menunjukkan bahwa terdapat autokorelasi pada 4 variabel dengan tingkat signifikansi 5%, yaitu variabel jumlah kematian ibu (Y), persentase persalinan dibantu oleh dukun tiap kabupaten/kota (X2), persentase rumah tangga berperilaku hidup bersih sehat (X5), dan persentase sarana kesehatan (X7). Variabel X1, X2, X4, X5, X6, dan X7 memiliki autokorelasi positif atau pola data yang mengelompok dan memiliki kesamaan karakteristik pada lokasi yang berdekatan. Variabel
2
12
Wx2.
0.03
9
26
1
13 74
29
8
7875 79 73 3 76 16 15 72 71 695 2 17 23 4 77 21 20 18 1 24 22 25
0
11 27
1
7
0
14
-1 -1
0
1
2
3
x2.
Gambar. 3. Moran’s Scatterplot Variabel Persentase Persalinan Dibantu Oleh Dukun.
Pada kuadran III, kabupaten/kota yang memiliki persentase persalinan dibantu oleh dukun rendah dikelilingi oleh persentase persalinan dibantu oleh dukun yang rendah pula. Kabupaten/kota yang tergolong dalam kuadran III meliputi sebagian besar kabupaten/kota di Jawa Timur yaitu sebanyak 26 kabupaten/kota. Kabupaten/kota yang tergolong dalam kuadran I mencakup semua kabupaten di Pulau Madura (Kab. Bangkalan, Kab. Sampang, Kab. Pamekasan, dan Kab. Sumenep), Kab. Banyuwangi, Kab. Situbondo, Kab. Probolinggo, Kab. Bondowoso, dan Kab. Jember. D. Pemodelan dengan Metode Regresi Klasik atau OLS Tabel 2. menunjukkan bahwa variabel-variabel yang signifikan berpengaruh terhadap kematian ibu adalah persentase persalinan dibantu oleh dukun tiap kabupaten/kota (X2),
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X persentase rumah tangga berperilaku hidup bersih sehat (X5), dan persentase sarana kesehatan (X7). Tabel 2. Estimasi Parameter untuk Tiga Variabel yang Signifikan dengan Metode OLS Parameter Estimasi |thitung| VIF β0 25.035 4.92* β2 1.1122 3.57* 1.3 0.1540 2.24* 1.2 β5 β7 -316.24 -4.93* 1.0 R-square 57.8 % Fhitung 15.49* Ket: *) signifikan pada α = 5% F0.05;3;34 = 2.88 t0,025;34 = 2.032
R-square yang dihasilkan sebesar 57.8% menunjukkan besarnya variansi kejadian kematian ibu yang dapat dijelaskan oleh model. Uji asumsi multikolinearitas telah terpenuhi, yang ditunjukkan oleh nilai Variance Inflation Factors (VIF) < 10 (Tabel 2). Model yang terbentuk dengan metode OLS adalah: yˆ 25 .035 1 .1122 X 2 0 .1540 X 5 316 .24 X 7 Pada uji asumsi residual didapatkan bahwa residual telah berdistribusi normal, tidak identik, dan tidak independen. Nilai moran’s I residual menghasilkan nilai yang lebih kecil dari IM0= -0.0270. Hal ini menunjukkan bahwa residual berpola menyebar atau tidak terdapat autokorelasi. Uji heterogenitas spasial dengan BP test menghasilkan p-value yang kurang dari α=10% sehingga residual tidak identik atau terdapat keragaman antarlokasi. Metode OLS memiliki kinerja yang kurang baik karena asumsi residualnya tidak independen dan tidak identik. Hal ini mengakibatkan adanya autokorelasi pada residual dan variansnya tidak homogen. Oleh karena itu, perlu dilakukan pemodelan dengan menggunakan metode spasial. E. Pemodelan dengan Metode SDM Identifikasi awal sebelum melakukan metode spasial yaitu dengan LM Test seperti pada Tabel 3. Tabel 3. Nilai LM Test dan P-Value Hasil Identifikasi Awal Dependensi Spasial Uji dependensi spasial Nilai p-value LM (lag) 3.9781 0.0461* LM (error) 1.2230 0.2688 LM (SARMA) 4.7912 0.0911 Ket: *) signifikan pada α = 5%
P-value pada LM test lag sebesar 0,0461 sehingga H0 ditolak pada taraf signifikansi α = 5% (Tabel 3). Hal ini menunjukkan adanya dependensi spasial lag, sehingga analisis perlu dilanjutkan dengan metode SAR, seperti pada Tabel 4. Model dari metode SAR yang terbentuk adalah: n
yˆ i 0.31 w ij y j 32 .73 1.05 X 2 0.13 X 5 328 .29 X 7 j 1
Variabel persentase persalinan dibantu oleh dukun tiap kabupaten/kota (X2), persentase rumah tangga berperilaku hidup bersih sehat (X5), dan persentase sarana kesehatan (X7) berpengaruh signifikan terhadap kematian ibu. Nilai ρ yang signifikan menunjukkan adanya dependensi spasial lag pada variabel jumlah kematian ibu. Nilai R-square yang dihasilkan oleh metode SAR sebesar 62.93%, menjelaskan besarnya variansi dari kematian ibu yang dapat dijelaskan oleh model. Hasil identifikasi dengan nilai Moran’s I untuk setiap variabel menunjukkan bahwa dependensi antarlokasi yang berdekatan tidak hanya terjadi pada variabel respon, namun
D-169
juga terjadi pada variabel prediktor (Tabel 1). Oleh karena itu, dilakukan analisis dengan menggunakan metode SDM. Estimasi parameter dengan metode SDM disajikan pada Tabel 5. Tabel 4. Estimasi Parameter dengan Metode SAR Parameter β0 β2 β5 β7 ρ Rsquare Ket: *) signifikan pada α = 5%
|Zhitung|
Estimasi 32.7336 1.0502 0.1322 -328.2903 -0.3134 62.93%
5.5319* 3.7923* 2.1342* -5.6589* -2.0621*
Tabel 5. Estimasi Parameter dengan Metode SDM Parameter β0 β12 β15 β17 β22 β25 β27 ρ Rsquare Ket: *) signifikan pada α = 5%, **) signifikan pada α = 10%, ***) signifikan pada α = 20%,
Estimasi 12.8192 1.3298 0.1407 -296.6636 0.3867 0.1105 198.5784 -0.3448 60.76%
Wald 0.675 11.9722* 4.7403* 25.3865* 0.3401 0.2995 1.2333 1.7288***
χ20,05;1 = 3.841 χ20,10;1 = 2.706 χ20,20;1 = 1.642
Model dari metode SDM yang terbentuk adalah: n
yˆ i 0.34 wij y j 12 .82 1.33 X 2 i 0 .14 X 5 i 296 .66 X 7 i j 1
n
n
n
j 1
j 1
j 1
0.39 wij X 2 j 0.11 wij X 5 j 198.58 wij X 7 j Nilai ρ yang signifikan yaitu sebesar -0.34, menunjukkan adanya dependensi spasial lag atau adanya pengaruh letak kabupaten/kota yang berdekatan dengan yang diamati pada menunjukkan variabel jumlah kematian ibu, dan adanya pengaruh letak kabupaten/kota yang berdekatan (j) dengan kabupaten/kota yang diamati (i) terhadap kematian ibu. Koefisien parameter β22 sebesar 0.39, β25 sebesar 0.11, dan β27 sebesar 198.58 yang diperoleh dengan metode SDM menunjukkan koefisien dependensi spasial lag atau besarnya pengaruh kedekatan daerah pada variabel persentase persalinan dibantu oleh dukun (X2), persentase rumah tangga berperilaku hidup bersih sehat (X5), dan persentase sarana kesehatan (X7). Lag variabel prediktor yang signifikan adalah variabelvariabel prediktor dengan pembobot yang berpengaruh signifikan. Namun, Tabel 5. menjelaskan bahwa tidak terdapat variabel prediktor yang berpengaruh signifikan dengan adanya pembobot. Variabel yang berpengaruh signifikan ketika tanpa pembobot pada α = 5% di antaranya persentase persalinan dibantu oleh dukun tiap kabupaten/kota (X2), persentase rumah tangga berperilaku hidup bersih sehat (X5), dan persentase sarana kesehatan (X7). R-square yang dihasilkan oleh metode SDM sebesar 60.75%. Koefisien parameter pada variabel persentase persalinan dibantu oleh dukun (X2) bernilai positif. Hal ini menunjukkan bahwa kabupaten/kota yang bersebelahan dengan kabupaten/
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X kota lain yang memiliki persentase tinggi akan cenderung memiliki jumlah kematian ibu yang tinggi pula dan begitu pula sebaliknya. Kabupaten/kota yang bersebelahan dengan kabupaten/kota lain yang memiliki persentase rendah akan cenderung memiliki jumlah kematian ibu yang rendah pula. Hubungan ini sesuai dengan Moran’s scatterplot pada Gambar 3. di mana telah terjadi pengelompokan pada kuadran I dan III. V. KESIMPULAN DAN SARAN Hasil identifikasi nilai Moran’s I menunjukkan adanya dependensi spasial antarlokasi yang berdekatan pada variabel respon maupun variabel predikor. Namun, kecilnya nilai Moran’s I menyebabkan hasil estimasi parameternya menjadi tidak nyata sehingga estimasi parameter dengan metode SDM tidak menghasilkan lag variabel prediktor yang signifikan. Model dengan metode SAR yang terbentuk adalah: n
yˆ i 0.31 wij y j 32.73 1.05 X 2 0.13 X 5 328 .29 X 7 V j 1
ariabel yang signifikan berpengaruh terhadap kematian ibu dengan metode SAR adalah persentase persalinan dibantu oleh dukun, persentase rumah tangga berperilaku hidup bersih sehat, dan persentase sarana kesehatan di tiap kabupaten/kota di Jawa Timur. Nilai ρ sebesar -0.31 menunjukkan adanya dependensi spasial lag pada variabel kematian ibu. R-square yang dihasilkan sebesar 62.93%. Sementara model dengan metode SDM yang terbentuk adalah: n
yˆi 0.34 wij y j 12.82 1.33X 2i 0.14 X 5i 296.66 X 7i j 1 n
n
n
j 1
j 1
j 1
0.39 wij X 2 j 0.11 wij X 5 j 198.58 wij X 7 j
Variabel yang signifikan dengan metode SDM sama dengan variabel yang signifikan dengan metode SAR. Hal berbeda yang dapat dijelaskan oleh model SDM yaitu adanya pengaruh letak kabupaten/kota yang berdekatan (j) dengan kabupaten/ kota yang diamati (i) terhadap kematian ibu pada variabel persentase persalinan dibantu oleh dukun, persentase rumah tangga berperilaku hidup bersih sehat, dan persentase sarana kesehatan. R-square yang dihasilkan sebesar 60.76%. Model dengan metode SAR menghasilkan nilai R-square yang lebih besar daripada model dengan metode SDM, sehingga dapat disimpulkan bahwa model terbaik yang diperoleh adalah model dengan metode SAR. Agar estimasi parameternya memberikan nilai yang nyata, maka analisis dengan menggunakan metode SDM dapat dilakukan jika moran’s I bernilai besar yaitu lebih dari 0.5. DAFTAR PUSTAKA [1] Dwinata, Indra. (2009). Kematian-maternal. Available: http://himapid. blogspot.com /2009/03/kematian-maternal.html [2] Nono. (2008). Seputar Masalah Kematian Maternal. Available: http:// noeytamalan- revolute.blogspot.com/2008/12/kematian-maternal. html [3] Adam, Riski. (2012). Target Turunkan Angka Kematian Ibu Sulit Tercapai. Available: http://kesehatan.liputan6.com/read/375324/target-turunkan-angka -kematian-ibu-sulit-tercapai [4] Krisnamurti, Dahlia. (2012). Tingginya Kematian Ibu, Tanggung Jawab Siapa?. Available: http://gayahidup.inilah.com/read/detail/1825908/tingginya-ke-matian-ibu-tanggung-jawab-siapa
D-170
[5] Opik. (2007). Di Jawa Timur Angka Kematian Ibu dan Bayi Masih Tinggi. Available: http://www.pdiperjuangan-jatim.org/v03/index.php? mod=berita &id=386 [6] Purnama, Erik. (2011). Meningkat, Angka Kematian Ibu Hamil di Jawa Timur. Available: http://www.republika.co.id/berita/regional/nusantara/ 11/03/24/ lijiij-meningkat-angka-kematian-ibu-hamil-di-jawa-timur [7] Darnah, “Pendekatan Ukuran R2 Devians Pada Model Regresi Poisson,” Surabaya: Program Pasca Sarjana, Institut Teknologi Sepuluh Nopember, (2009). [8] Novita, Laili, “Pemodelan Maternal Mortality Di Jawa Timur Dengan Pendekatan Geographically Weighted Poisson Regression (GWPR),” Tugas Akhir Statistika-FMIPA, Surabaya: Institut Teknologi Sepuluh Nopember, (2012). [9] Bekti, R. D., “Spatial Durbin Model (SDM) untuk Mengidentifikasi Faktor-Faktor yang Berpengaruh terhadap Kejadian Diare di Kabupaten Tuban,” Tesis Statistika-FMIPA, Surabaya: Institut Teknologi Sepuluh Nopember, (2011). [10] Aditie, N. B., “Spatial Durbin Model untuk Mengidentifikasi FaktorFaktor yang Mempengaruhi Angka Kematian Bayi di Jawa Timur,” Tugas Akhir Statistika-FMIPA, Surabaya: Institut Teknologi Sepuluh Nopember, (2011). [11] Draper, N.R. dan Smith, H., “Analisis Regresi Terapan Edisi Kedua,” Jakarta: PT Gramedia Pustaka Utama, (1992). [12] LeSage, J.P., “The Theory and Practice of Spatial Econometrics,” Department of Economics University of Toledo, (1999). [13] Anselin, L., “Spatial Econometrics: Methods and Models,” Kluwer Academic Publishers, Netherlands, (1988). [14] Lee, J dan Wong, D. W. S., “Statistical Analysis with Arcview GIS,” John Willey and Sons, New York, (2001). [15] Amaliafitri, Andhini. (2010). Waspadai Angka Kematian Ibu di Indonesia. Available: http://lifestyle.okezone.com/read/2010/03/25/27/ 316119/ search.html [16] Dinas Kesehatan Provinsi Jawa Timur, “Profil Kesehatan Provinsi Jawa Timur,” Surabaya : Dinkes Jatim, (2010).
